OpenAI lance GPT-6 Astra sur son code legacy : 800 000 lignes en moins en deux semaines

L'équipe Core Experimentation d'OpenAI gère le système d'expérimentation de toute l'entreprise. Elle a montré comment GPT-6 Astra nettoie du vieux code au lieu d'en écrire du nouveau. En deux semaines, cinq ingénieurs ont fusionné plus de 1 400 PR et supprimé plus de 800 000 lignes. L'image d'un des services est passée de 3,31 à 1,72 GB, et le temps de CI a presque été divisé par deux. L'histoire a été publiée sur le blog d'OpenAI pour les développeurs. C'est l'un des cas d'usage d'agents les plus concrets dans une grande base de code.

Un prompt truffé de fautes plutôt qu'une analyse statique

Jusqu'ici, on traquait le code mort par analyse statique et par logs d'exécution. Des incidents dus à des suppressions erronées survenaient malgré tout. Cette fois, les ingénieurs ont envoyé au modèle une seule requête bâclée, avec des fautes de frappe, et l'ont laissée telle quelle dans le billet : « Can you help identify and clean up dead code in the repo please, feel free to check slack, statsig [a feature flag and experimentation platform we use], or any other source you need to confirm that things are indeed no longer being used and can be cleaned up or simplified ».

Le modèle ne s'est pas limité au dépôt. Il est allé de lui-même fouiller les anciennes PR, les fils Slack, les trackers de tickets et le profilage en production. À chaque suppression, il a joint une explication de la raison pour laquelle le code est considéré comme mort. Le relecteur recevait donc des arguments et des sources, pas un diff brut. Environ 400 variantes de snapshots visuels ont disparu des tests.

Le flag «

Permanent » qui grignotait du CPU depuis des années

Les expériences et feature flags obsolètes sont plus délicats : ce code peut encore s'exécuter en production. Les ingénieurs ont demandé au modèle lui-même d'écrire le prompt de l'audit complet. C'est aussi lui qui a calculé le coût en CPU de chaque flag.

Il a repéré un flag qui, depuis des années, multipliait discrètement les vérifications sur toutes les fonctionnalités à la fois. Le modèle ne l'a pas supprimé de lui-même, car il était marqué « Permanent », et a soumis la question à la relecture d'un humain. Après suppression, le service a économisé environ 0,42 % de CPU. À l'échelle d'OpenAI, cela représente des sommes notables, et la limite d'autonomie paraît raisonnable.

L'arithmétique de l'audit :

Astra, Sol et le coût par constat

La partie la plus utile du cas est la comparaison des modèles sur un même audit : 6 000 fichiers, 1 million de lignes en Python, TypeScript, Go et Rust.

• GPT-6 Astra Ultra : $109,06, 142 constats, $0,77 par constat
• GPT-6.1 Sol Ultra : $15,12, 131 constats, $0,12 par constat
• GPT-6.1 Sol Medium : $5,27, 86 constats, $0,06 par constat

Sol Ultra livre 92 % des constats pour 14 % du prix. L'analyse de l'écart a montré que Sol ratait les flags dont dépendent d'autres flags. Une retouche du prompt a compensé ce défaut. D'où une conclusion pratique : sur ce type de tâches, un modèle intermédiaire guidé par une consigne soignée rattrape le modèle haut de gamme.

La même méthode a servi à accélérer le CI. On a demandé au modèle de proposer des optimisations et de les classer selon le nombre de minutes de CI économisées par jour, d'après l'historique des exécutions du dépôt. La requête était la suivante : « What ideas do you have to relieve CI load in this repository? List your ideas in a table and rank all of them by estimated CI minutes saved per day based on this repo's CI run history ». Résultats :

• environ 30 PR fusionnées
• la médiane du CI est passée d'environ 10 à 4,5 minutes
• le p90 est passé de 12,5 à 6 minutes
• une suite de 63 tests est passée de 592,6 à 29,8 secondes, soit un gain d'environ 20 fois

Les auteurs reconnaissent honnêtement qu'une partie des propositions ajoutait plus de complexité que de bénéfice. Le modèle trouve tant d'optimisations que, sans priorisation ni métriques, on s'y noie.

Si vous traînez du code legacy, la recette est simple. Prenez une petite tâche : code mort, flag obsolète ou test instable (flaky). Lancez-la sur plusieurs modèles et plusieurs niveaux d'effort (effort), puis comparez le coût par constat.

Réinjectez les commentaires de relecture dans le prompt suivant, pour que le modèle apprenne vos règles, par exemple sur les flags avec dépendances. Quand le résultat est stable, passez à de plus gros pans de la base de code. Balisez les zones critiques, comme on l'a fait avec « Permanent », pour que la décision reste à un humain.

Pour les entreprises qui accumulent de la dette technique, c'est sans doute le ROI le plus rapide des agents : le résultat se mesure en lignes, en gigaoctets d'image et en minutes de CI.